黄河流域空气质量时空分布及影响因素分析€¦ ·...
TRANSCRIPT
业务56 实践交流
黄河流域空气质量时空分布及影响因素分析
黄河流域生态保护和高质量发展
已上升为重大国家战略。习近平总书
记明确要求黄河流域各省(区)要共
同抓好大保护、协同推进大治理,着
力促进全流域高质量发展。黄河流域
是我国北方重要的人口密集区和产业
承载区,高密度人口的布局和高强度
的开发建设使流域内大气污染问题日
益突出。加快大气污染治理,切实改
善环境空气质量,对于推动黄河流域
实现高质量发展至关重要。
目前,国内外学者从不同角度对
黄河流域范围内空气质量时空变化做
过广泛研究。有学者针对甘肃省[1]、
陕西省[2]、固原市[3]、郑州市[4]、新
乡市[5]等省(市),以及京津冀及周
边区域[6]、京津冀城市群[7-8]、华北
地区[9]、陕甘宁地区[10]、中原城市
群[11]等区域,研究PM2.5等主要污染物
和AQI的时空差异,其中部分研究还
分析了空气质量分布的影响因素。此
外,还有学者针对春节期间[12]、秸秆
焚烧关键期[13]、重污染过程[14]等特
定时段,对空气质量分布特征进行了
分析。
但是,以上研究对象大多停留
在局地,主要是针对某一特定污染物
或AQI,影响因素也多局限于气象条
件,且研究方法较为单一。本文从整
个流域的角度出发,基于2015—2018
年的空气质量监测数据,借助空间
自相关、冷热点分析、空间计量、冗
余分析等方法,研究黄河流域AQI及
PM2.5、PM10、O3-8h等污染物的时空变
化特征,并从地形、气象、社会、经
济4个方面选取影响因素指标,量化
分析影响黄河流域空气质量空间分布
的主要因素及其解释率,为同步推
进、整改治理、全局改善黄河流域
环境空气质量提供科学支撑和决策
参考。
数据来源与方法
本文采用的空气质量数据全部
来源于生态环境部综合业务门户网站
(http://10.100.249.24/),研究
时段为2015年1月1日至2018年12月
31日。该门户网站上发布的监测城市
中,属于黄河流域周边城市范围的共
有69个,不含青海省及内蒙古自治区
阿拉善盟。因此,本文实际评价城市
为69个,AQI评价标准参考《环境空
气质量评价技术规范(试行)》(HJ
663—2013)。
本文从气象、地形、社会、经
济4个方面选取影响因子。气象因子
包括平均气温、降水量、平均风速、
日照时数、平均相对湿度、平均气
压、平均水汽压。数据来源于中国气
象数据网(http://www.nmic.cn)发
布的中国地面气候资料月值数据集,
站点范围包括黄河流域及周边的230
个气象站点,采用ANUSPLINE软件进
行空间插值,先生成栅格数据,再用
ArcGIS 10.5提取得到气象因子。地
形因子选用地形起伏度,基于寒区旱
区科学数据中心(http://westdc.
westgis.ac.cn)提供的数字高程模
型(DEM)计算得到。社会和经济因
子包括人均GDP、人口密度、城镇居
民人均可支配收入、农村居民人均可
支配收入,数据来源于WIND数据库和
Spatial-temporal Distribution of Air Quality and Its Influencing Factors in the Yellow River Basin
■文/王敏 冯相昭 杜晓林 赵梦雪 梁启迪
摘 要 本文基于2015—2018年空气质量监测数据,研究了黄河流域空气质量的时空变化特征,量化分析了影响黄河流域空气质量空间分布的主要因素。结果表明:(1)2015—2018年,黄河流域空气质量总体趋于改善,除O3-8h外,PM2.5、PM10等污染物浓度均不同程度下降;(2)空气质量不达标天数未有明显减少,以O3-8h为首要污染物的持续时间明显延长,并且污染天数与PM2.5的差距逐渐缩小;(3)PM2.5、PM10浓度呈现东高西低的分布格局,O3-8h污染区域逐渐扩大并呈持续连片分布,热点城市主要分布在流域下游,冷点城市主要分布在流域上游;(4)平均气温、平均风速、人口密度和城镇居民人均可支配收入是影响PM2.5空间分布的主要因素;地形起伏度、降水量、平均气压和人口密度是影响PM10空间分布的主要因素,累积解释率为65.9%;平均气压、地形起伏度、日照时间和平均风速是影响O3-8h空间分布的主要因素。关键词 黄河流域;空气质量;时空分布;影响因素
DOI:10.14026/j.cnki.0253-9705.2019.24.012
57
ENVIR
ONMENTAL P
ROTECTIO
N V
ol. 47 No.24 2019
各城市2018年国民经济和社会发展统
计公报。
基于以上数据,对2015—2018
年黄河流域空气质量变化进行时间序
列分析,并基于ArcGIS 10.0采用空
间自相关分析和冷热点分析方法,测
度流域2018年主要污染物浓度的空间
自相关性及冷热点分布情况。同时,
考虑到空间计量模型可以有效解决线
性回归分析无法处理的空间依赖性问
题,冗余分析(Redundancy Analy-
sis,RDA)能够将多变量直接进行梯
度分析,分别基于GeoDa软件和CANO-
CO 5.0软件,通过空间计量分析和冗
余分析,对影响流域2018年主要污染
物浓度空间分布的主要因素及其解释
率进行量化分析。
结果分析
时间变化特征
污染物浓度年际变化。2015—
2018年,黄河流域空气质量总体趋
于改善。如图1所示,年均AQI由97
下降至95,PM2.5、PM10、SO2、CO浓度
均保持逐年下降水平。其中,SO2下
降幅度最大,年均浓度由43μg/m 3
下降至21μg/m 3,降幅达51%;其
次是 C O和 P M 2 . 5,年均浓度分别由
1.4mg/m3和60μg/m3下降至1.0mg/m3
和48μg/m3;PM10由112μg/m3下降
至102μg/m 3,降幅相对较小。另
外,O3-8h浓度整体上升趋势明显,
由88μg/m3增至104μg/m3,增幅达
19%;NO2在2015—2017年保持上升趋
势,但在2018年降至近4年以来的最
低水平(34μg/m3)。
不达标天数月度变化。影响黄
河流域周边城市空气质量达标的主要
污染物是PM2.5、PM10和O3-8h。如图2
所示,2015—2018年,空气质量不达
标天数没有明显减少,但首要污染物
天数格局发生了变化,2015年主要污
染物是PM2.5和PM10,2017年起发展为
PM2.5和O3-8h并重。其中,以PM2.5为
首要污染物的污染天气主要发生在每
年的11月至次年3月,且污染天数下
降趋势明显,所占比例已由2015年的
69%下降至2018年的39%,且各月以
PM2.5为首要污染物的污染天数呈总体
下滑态势。以PM10为首要污染物的污
染天气不具备季节特性,污染天数在
2015—2017年稳步下降,但2018年
出现了反弹,较同期增长1倍之多。
另外,随着PM2.5、PM10浓度下降以及
O3-8h浓度上升,以O3-8h为首要污染
物的污染天气持续时间明显延长,并
且污染天数与PM2.5的差距逐渐缩小。
空间分布特征
空间格局变化。2015—2018年,
黄河流域PM2.5、PM10和O3-8h浓度整体
呈现东高西低的空间分布格局(见
图2 2015—2018年主要污染物对应的天数月度变化
图1 2015—2018年AQI及主要污染物浓度变化
注:AQI为无量纲指数,CO浓度单位为mg/m3,其余污染物浓度为μg/m3。
120
100
80
60
40
20
0
2015 2016 2017 2018
AQI SO2 CO NO2 O3-8h PM10 PM2.5
AQI及
主要污染物浓度值
AQI及主要污染物
30
25
20
15
10
5
0
30
25
20
15
10
5
0
30
25
20
15
10
5
0
30
25
20
15
10
5
0
天数
2015
月份
月份
月份
月份
2017
2016
2018
1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12
天数
天数
天数
PM2.5 PM10 O3-8h
业务58 实践交流
图3)。其中,PM2.5污染明显改善,
流域上游年均浓度小于35μg/m3即达
到国家二级标准的城市数量增多,污
染严重区域主要位于流域中下游的
山西、河南、山东及陕西南部,但这
些区域的PM2.5浓度下降明显,2018年
基本控制在70μg/m3以内;PM10污染
情况总体有所改善,流域中下游高污
染城市的PM10浓度下降到134μg/m3以
内,但个别城市如兰州、武威、呼和
浩特等出现了反弹现象;O3-8h污染整
体趋重,且污染区域逐渐呈持续连片
分布,其中,流域东部特别是河南和
山东省内城市污染最重,鄂尔多斯、
乌兰察布、榆林等北部城市次之,西
部城市O3-8h污染虽有加重趋势,但整
体污染程度低于东部和北部。
空间集聚特征。对2015—2018年
黄河流域的PM2.5、PM10和O3-8h浓度进
行全局Moran's Ⅰ分析,结果如表1
所示。2015—2018年,上述三种污染
物浓度的全局Moran's Ⅰ均大于0,
并且通过了0.001的显著性检验,表
明黄河流域空气质量具有显著的正的
空间自相关性,整个空间分布大体呈
现出高—高集聚或低—低集聚模式。
另外,PM2.5和O3-8h的Moran's Ⅰ分别
保持逐年降低和升高水平,说明流域
内PM2.5和O3-8h年均浓度的空间自相关
程度分别呈减弱和增强态势。
以 2 0 1 8年为例,进一步识别
PM2.5、PM10和O3-8h浓度聚集的位置
(见图4)。结果发现,2018年,黄
河流域PM2.5、PM10和O3-8h的冷、热点
分布特征大体相同,均呈东热西冷的
格局。其中,PM2.5和O3-8h的热点城市
主要分布在山东、河南、山西,进一
步证实这些区域已形成PM2.5和O3-8h
复合型污染的高发地带;冷点城市主
要分布在四川、甘肃、内蒙古等地。
PM10的热点和冷点城市相对较少,热
点城市主要分布在河南和山西,冷点
城市主要分布在四川。
影响因素分析
空间计量分析。考虑到流域
PM2.5、PM10、O3-8h浓度均表现出显著
的空间自相关性,若单纯采用普通
图3 2015—2018年黄河流域PM2.5、PM10、O3-8h浓度空间变化
11.0~35.0 35.1~50.0 50.1~70.0 70.1~90.0 90.1~100.5 流域边界
24.0~70.0 70.1~100.0 100.1~120.0 120.1~140.0 140.1~169.5
53.2~90.0 90.1~100.0 100.1~105.0 105.1~110.0 110.1~125.0
PM2.5(μg/m3)
PM10(μg/m3)
O3-8h(μg/m3)
图4 2018年黄河流域PM2.5、PM10、O3-8h浓度冷热点空间分布
冷点99%信度 冷点95%信度 冷点90%信度 无特征点 热点 90%信度 热点 95%信度 热点 99%信度 流域边界
O3-8hPM2.5 PM10
O3-8h_2015
O3-8h_2016
O3-8h_2017
O3-8h_2018
PM2.5_2015
PM2.5_2016
PM2.5_2017
PM2.5_2018
PM10_2015
PM10_2016
PM10_2017
PM10_2018
59
ENVIR
ONMENTAL P
ROTECTIO
N V
ol. 47 No.24 2019
最小二乘法(OLS)模型进行估计,
可能会不符合线性回归模型的基本
假设,导致结果产生偏误。谨慎起
见,本文在进行OLS模型估计的基础
上,同时采用空间滞后模型(SLM)
和空间误差模型(SEM)对非独立性
样本数据进行回归估计,结果如表2
所示。
对比Log likelihood和R2,可以
发现SLM模型和SEM模型的拟合效果均
好于OLS模型,且赤池信息准则AIC
值也有所降低,有理由认为SLM模型
和SEM模型的估计结论更为可靠。同
时,对比LM(lag)和LM(error),以
及Robust LM(lag)和Robust LM(er-
ror),发现SLM模型拟合结果更显
著,即更适用于本文。
SLM模型拟合结果显示,人口密
度、平均气温对PM2.5存在正向的显著
影响,平均风速、日照时数、地形起
伏度对O3-8h产生正向显著影响,人口
表1 2015—2018年黄河流域PM2.5、PM10和O3-8h全局Moran’s Ⅰ
污染物 2015年 2016年 2017年 2018年
PM2.5
Moran’s Ⅰ 0.66 0.64 0.58 0.56
P值 0.00 0.00 0.00 0.00
PM10
Moran’s Ⅰ 0.49 0.47 0.40 0.33
P值 0.00 0.00 0.00 0.00
O3-8hMoran’s Ⅰ 0.18 0.23 0.30 0.33
P值 0.00 0.00 0.00 0.00
表2 OLS、SLM与SEM的拟合结果比较
变量PM2.5 PM10 O3-8h
OLS SLM SEM OLS SLM SEM OLS SLM SEM
人口密度 0.02*** 0.02** 0.02*** 0.03*** 0.03*** 0.03*** — — —
平均风速 10.46** — 9.02* — — — 11.00** 7.95** 7.50*
平均气温 4.02** 3.41** 3.51** — — — 2.84* — —
日照时数 — — — — — — 0.29*** 0.18** 0.21**
平均气压 — — — -1.07* — — — — —
地形起伏度 — — — -0.11** -0.08* -0.10** 0.05* 0.03* 0.04*
LM(lag) 2.85* 2.85* 9.71***
Robust LM(lag) 6.16** 4.92** 5.56***
LM(error) 0.50 0.71 4.68*
Robust LM(error) 3.81* 2.77* 3.53*
R2 0.75 0.77 0.76 0.68 0.70 0.69 0.64 0.70 0.69
Log likelihood -228.27 -226.83 -227.89 -268.19 -266.67 -267.65 -220.06 -215.33 -216.33
AIC 482.54 481.67 481.78 562.38 561.33 561.29 466.13 458.93 458.66
注:***、**和*分别表示达到0.01、0.05和0.1的显著性水平。
表3 通过Monte Carlo置换检验的影响因子及其解释率
影响因子PM2.5 PM10 O3-8h
解释率/% F P 解释率/% F P 解释率/% F P
平均气温 60.2 101 0.002 — — — — — —
平均风速 4.9 9.3 0.004 — — — — — —
平均气压 — — — 6.6 12.4 0.004 41.6 47.8 0.002
日照时间 — — — — — — 8.7 11.6 0.004
降水量 — — — 17.0 25.1 0.002 — — —
地形起伏度 — — — 41.2 55.7 0.002 7.6 11.8 0.004
人口密度 3.3 6.7 0.014 4.2 12.4 0.004 — — —
城镇居民人均可支配收入
2.5 5.5 0.016 — — — — — —
累积贡献率/% 70.8 65.9 58.0
业务60 实践交流
密度和地形起伏度则分别会对PM10产
生正向和负向显著影响,人均GDP、
降水量等其他6个因子对PM2.5、PM10
和O3-8h浓度空间差异未表现出显著
影响。
RDA排序分析。进一步采用RDA
排序分析方法,量化影响因子对流
域PM2.5、PM10和O3-8h浓度空间差异的
解释率,并通过Monte Carlo检验得
到影响因子的重要性排序,结果如表
3所示。平均气温、平均风速、人口
密度和城镇居民人均可支配收入是
影响PM2.5差异的主要因素,解释率分
别为60.2%、4.9%、3.3%和2.5%,累
积解释率为70.8%;地形起伏度、降
水量、平均气压和人口密度是影响
PM10差异的主要因素,解释率分别为
41.2%、17.0%、6.6%和4.2%,累积解
释率为65.9%;平均气压、日照时间
和地形起伏度是影响O3-8h差异的主要
因素,解释率分别为41.6%、8.7%、
7.6%,累积解释率为58.0%。
结论与讨论
结论
(1)2015—2018年,黄河流域
空气质量总体趋于改善,年均AQI由
97下降至95,PM2.5、PM10、SO2、CO浓
度均有不同程度的下降。但O3-8h浓度
整体上升趋势明显,由88μg/m3增至
104μg/m3,增幅达19%。
(2)空气质量不达标天数未有
明显减少,但首要污染物天数格局发
生了变化。以O3-8h为首要污染物的
持续时间明显延长,并且污染天数与
PM2.5的差距逐渐缩小,O3-8h从2017年
起成为黄河流域继PM2.5后又一重要污
染物。
(3)黄河流域PM2.5、PM10污染整
体改善明显,呈现东高西低的分布格
局。O3-8h污染趋重且污染区域逐渐扩
大并呈持续连片分布。上述污染物均
具有显著的空间自相关性,大体呈现
出高—高集聚或低—低集聚模式,热
点城市主要分布在流域下游的山西、
河南及山东省内,冷点城市主要分布
在流域上游。
(4)SLM模型适用于本文用于
回归估计。拟合结果显示,人口密
度、平均气温对PM2.5浓度存在正向的
显著影响,平均风速、日照时数、地
形起伏度对O3-8h浓度产生正向显著
影响,人口密度和地形起伏度也分别
会对PM10浓度产生正向和负向的显著
影响。
(5)RDA排序结果显示,平均气
温、平均风速、人口密度和城镇居民
人均可支配收入对PM2.5空间分布的累
积解释率为70.8%,地形起伏度、降
水量、平均气压和人口密度对PM10空
间分布的累积解释率为65.9%,平均
气压、地形起伏度和日照时间对O3-8h
空间分布的累积解释率为58.0%。
讨论
(1)近年来,黄河流域中下游
城市PM2.5、PM10、SO2、CO等污染物浓
度的整体下降主要得益于在京津冀及
周边地区、汾渭平原开展的大气污染
防治攻坚战。2015年以来,流域中下
游城市围绕“减煤、抑尘、治企、控
车”,制定出台了一系列环保政策措
施和方案,在大气污染防治工作方面
取得了重要进展。相比之下,流域上
游城市由于空气质量底数情况好,大
气污染防治工作力度小,上述污染物
浓度下降幅度要小于中下游城市。但
是,O3-8h浓度持续攀升且污染区域扩
大,在一定程度上说明现阶段O3污染
防治工作的基础支撑还显薄弱。
(2)黄河流域空气质量受自然
外因和人为内因共同影响,高污染物
排放是流域空气质量空间差异的根本
内因,平均气温、平均风速、日照时
数、地形等自然条件是空气质量集聚
与扩散的外在因素。本文的定量分析
结果显示,人口密度对PM2.5和PM10浓
度的影响具有显著性,但对O3-8h无显
著影响,说明PM2.5和PM10浓度受人为
活动影响的程度较O3-8h更大,O3-8h
浓度更易受日照时数、地形起伏度等
自然外因影响。因此,现阶段整个
流域的大气污染防治重点还是PM2.5和
PM10,但流域下游区域也要同步开展
O3-8h污染防治工作。
(3)SLM模型拟合结果显示,降
水量、平均相对湿度等因素对PM2.5、
PM10和O3-8h浓度未表现出显著影响,
与部分学者的研究结论[15-16]有所不
同。这可能与时间尺度或空间尺度大
小有关。在不同时间尺度(日、月、
年)和不同空间尺度(城市、区域、
流域)下,大气湿度、降水、风速、
地形等因素对大气污染的影响机理不
同[17-18]。在比较和分析影响因素时要
区分时空的尺度效应。
(4)本文筛选出来的12个影响
因子间存在较强的相关性,通过冗余
分析可有效降低特征维数,减少冗
余信息所造成的误差,提高模型模
拟精度。但是,对比SLM模型与冗余
分析拟合结果,发现通过显著性检验
的影响因子不一致。如用冗余分析得
出的影响PM2.5的显著性因素包括平均
气温、平均风速、人口密度和城镇居
民人均可支配收入,但是在SLM模型
拟合结果中只有平均气温和人口密度
通过了显著性检验;又如平均风速对
PM10的影响在SLM模型拟合结果中是显
著的,但是未通过冗余分析里的Mon-
te Carlo检验。究竟哪一种方法的模
拟结果更为可靠,目前还难以判别,
在后续的研究对比分析中,还需结合
多种模型模拟方法进行相互佐证以及
61
ENVIR
ONMENTAL P
ROTECTIO
N V
ol. 47 No.24 2019
交叉使用分析。
参 考 文 献
[1]毋建军. 2018年甘肃省城市空气质量状
况研究[J]. 环境研究与监测, 2019,
32(3): 7-11.
[2]杨飞, 易文利, 朱婵园, 等. 陕西省空
气质量时空差异研究[J]. 四川环境,
2018, 37(2): 78-85.
[3]杨文海, 韩世昌, 马兴明. 固原市空气
质量特征及其与气象条件的关系[J]. 甘
肃农业, 2019(9): 69-73.
[4]李治军, 卢松, 陈末, 等. 郑州市大气
污染时空分布特征分析及预测模型建立
[J]. 黑龙江大学自然科学学报, 2019,
36(4): 450-458.
[5]沙涛, 张慧. 新乡市环境质量灰色关联
分析[J]. 环境科学导刊, 2019, 38(5):
85-88.
[6]陈辉, 厉青, 李营, 等. 京津冀及周
边地区PM2.5时空变化特征遥感监测分析
[J]. 环境科学, 2019, 40(1): 33-43.
[7]程雪雁, 朱磊, 周艺萱. 2015—2018
年京津冀城市群空气污染时空变化特
征[J]. 北京师范大学学报(自然科学
版), 2019, 55(4): 523-531.
[8]刘海猛, 方创琳, 黄解军, 等. 京津冀
城市群大气污染的时空特征与影响因
素解析[J]. 地理学报, 2018, 73(1):
177-191.
[9]林美含. 华北地区空气质量时空变化特
征及其影响因素探究[C]// 中国地理学
会经济地理专业委员会. 2019年中国地
理学会经济地理专业委员会学术年会摘
要集. 2019: 136.
[ 1 0 ]刘昕 , 辛存林 . 陕甘宁地区城市
空气质量特征及影响因素分析 [ J /
OL]. 环境科学研究: 1-16[2019-10-
31]. https://doi.org/10.13198/
j.issn.1001-6929.2019.05.16.
[11]邢莉, 苏喜军. 中原城市群空气质量指
数时空分布特征[J]. 华北水利水电大
学学报(社会科学版), 2017, 33(6):
38-44.
[12]解淑艳, 王胜杰, 刀谞, 等. 2018年
春节期间京津冀及周边区域空气质量分
析[J/OL]. 中国环境监测: 1-11[2019-
10-31]. https://doi.org/10.19316/
j.issn.1002-6002.2019.05.01.
[13]吴文玉, 张浩, 何彬方, 等. 淮河流
域秸秆焚烧关键期主要大气污染物浓度
时空分布特征[J]. 气象与环境学报,
2019, 35(4): 33-39.
[14]朱媛媛, 高愈霄, 柴文轩, 等. 京津
冀及周边区域PM2.5叠加沙尘重污染过程
特征及预报效果分析[J/OL]. 环境科
学: 1-18[2019-10-31]. https://doi.
org/10.13227/j.hjkx.201908123.
[15]张淑平, 韩立建, 周伟奇, 等. 冬季
PM2.5的气象影响因素解析[J].生态学报,
2016, 36(24): 7897-7907.
[16]LIU H, MA W, QIAN J, et al. Effect
of urbanization on the urban
meteorology and air pollution
i n H a n g z h o u [ J ] . J o u r n a l o f
Meteorological Research, 2015,
29(6): 950-965.
[17]HESTER R E, HARRISON R M. Air
quality in urban environments[M].
London: Royal Society of Chemistry,
2009.
[18]WHITEMAN C D, HOCH S W, HOREL J
D, et al. Relationship between
particulate air pollution and
meteorological variables in Utah’s
Salt Lake Valley[J]. Atmospheric
Environment, 2014(94): 742-753.
(作者单位:生态环境部环境与经济政策研究
中心。冯相昭系本文通讯作者)
关于换发新版记者证人员名单的公示
根据《国家新闻出版署关于2019年全国统一换发新闻记者证的通知 》(国新出发〔2019〕39号)、《新闻记者证
管理办法》要求,我社已对换发记者证人员资格进行严格审核,现将名单予以公示,接受社会监督。
公示期2019年12月20日—12月30日。
拟换发新闻记者证人员:罗敏,旧版新闻记者证K11170055000002已收回,并作废。
监督举报电话
国家新闻出版署电话: 010-83138953
《环境保护》杂志社电话:010-67113764
《环境保护》杂志社2019年12月20日